← BlogIA et technologie

Comment fonctionne la mise en correspondance des appels d'offres par l'IA : la technologie derrière l'achat public intelligent

19 mars 2026 · 7 min de lecture

Lorsque les gens entendent qu'un système d'IA associe des appels d'offres à des entreprises, ils imaginent souvent une simple correspondance de mots-clés. La réalité est bien plus sophistiquée.

Le problème de la correspondance par mots-clés

La correspondance par mots-clés échoue parce que le langage des appels d'offres et les descriptions d'entreprises se recoupent rarement avec précision. « Services d'ingénierie civile pour la réhabilitation d'autoroutes » ne correspondra pas à « entretien des infrastructures routières ». Les mots diffèrent. Le sens est le même.

Les embeddings vectoriels : transformer le texte en nombres

Le fondement de la mise en correspondance moderne par IA est l'embedding vectoriel, une représentation mathématique qui capture le sens, et pas seulement les mots. Deux textes de sens similaire ont des embeddings similaires même s'ils ne partagent aucun mot.

Le processus de mise en correspondance

Lorsque Trinta traite un nouvel appel d'offres, il génère un embedding à partir du titre, de la description, de la catégorie et de l'émetteur. Lorsqu'une entreprise complète son profil, un embedding est également généré à partir de celui-ci. Trouver des correspondances est une recherche de similarité mathématique parmi les appels d'offres que vos agents collectent chaque jour, renvoyée en quelques millisecondes. L'approche a fait ses preuves à grande échelle : Trinta a analysé plus d'un million d'appels d'offres de cette manière.

Le système de notation à cinq facteurs

La similarité sémantique seule ne suffit pas. Trinta la combine avec quatre facteurs supplémentaires :

Recoupement sectoriel (25 %) : les secteurs de l'entreprise correspondent-ils aux catégories de l'appel d'offres ?

Adéquation géographique (15 %) : l'entreprise est-elle active dans le pays de l'appel d'offres ?

Adéquation à la taille de l'entreprise (12 %) : la valeur du contrat correspond-elle à la capacité de l'entreprise ?

Signaux historiques (8 %) : l'entreprise a-t-elle déjà remporté des contrats similaires ?

La boucle de rétroaction

La mise en correspondance s'améliore grâce aux retours des utilisateurs. Les signaux « pouce en haut » et « pouce en bas » améliorent les futures correspondances pour les entreprises similaires.

Questions fréquentes

How does AI tender matching actually work?

AI tender matching converts both the tender text and a company's product description into vector embeddings, mathematical representations of meaning, then measures how close they sit. Because the comparison is semantic rather than literal, a notice that describes your product in different words still matches. Scoring then layers on factors beyond similarity, such as geography and contract scale.

What are vector embeddings in procurement matching?

A vector embedding is a numerical representation of text that places similar meanings close together in mathematical space. In tender matching, both the notice and the supplier's catalogue become embeddings, so the system compares meaning rather than exact wording. This is what allows a differently-phrased specification to match a product it genuinely fits.

Why does keyword matching miss relevant tenders?

Because buyers describe what they need in their own words, not yours. A hospital tendering for oxygen plant may write medical gas production unit, PSA generator, or a bare technical specification with no product name at all. A keyword list matches only the phrasing you predicted, and floods you with notices that happen to share a word.

Partager cet article

Reference